Künstliche Intelligenz und Robotik für eine nachhaltige Kreislaufwirtschaft

Was können künstliche Intelligenz (KI) und Robotik zu einer Verbesserung der Recyclingquote bei großstückigen Abfällen beitragen? Dies ist die zentrale Fragestellung im Kooperationsprojekt 'Smart Recycling' des federführenden Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI) und dem Institut für Energie und Kreislaufwirtschaft (IEKrW) an der Hochschule Bremen. Noch bis Mitte Dezember wollen die Projektpartner entsprechende Konzepte entwickeln. Dabei werden sowohl technische als auch ökonomische Herausforderungen berücksichtigt.
Bild: Hochschule Bremen

Die Lösungen sind zwar primär für die Kreislaufwirtschaft gedacht, sollen aber auch in anderen Bereichen angewendet werden können. Beispiele: Katastrophenschutz, Naturschutz durch automatisierte Abfallsammlung, nachhaltige Landwirtschaft, ökologisch verträglicher Bergbau, Wartung und Pflege von Infrastrukturen oder die Industrie 4.0. Beteiligt an dem bis zum 15. Dezember 2020 laufenden Projekt sind – neben dem DFKI und dem IEKrW – die Hochschule für Angewandte Wissenschaften Hamburg und Nehlsen Stoffstrom. Gefördert wird das Projekt ‚Smart Recycling‘ innerhalb des Förderschwerpunktes KI-Leuchttürme für Umwelt, Klima, Natur und Ressourcen vom Bundesumweltministerium.

Das Projekt ‚Smart Recycling“‘ unterstützt mit seiner effizienten Kl- und Robotik-basierten Lösung u.a. die im Deutschen Ressourcen-Effizienzprogramm festgelegten Ziele zur Steigerung der Recyclingrate bei Siedlungsabfällen auf über 65 Prozent, des Recyclinganteils von Kunststoffabfällen und des Einsatzes von Recycling-Baustoffen.

Bild: Hochschule Bremen

Vom effizienteren Recycling großstückiger Abfälle, vor allem im Bereich der Bauwirtschaft, wird ein signifikanter ökologischer Nutzen erwartet: Von den rund 412 Millionen Tonnen Abfall in Deutschland sind 220 Millionen Tonnen Bau- und Abbruchabfälle (Daten aus 2017, Statistisches Bundesamt). Dabei spielt die Sortierung der Abfälle für die Erhöhung der Ressourceneffizienz eine entscheidende Rolle. Hier setzt das Vorhaben Smart Recycling an: Durch den Einsatz moderner Sensorik, Kl-Methoden und Robotik soll die Sortierung von Abfällen verbessert und damit die Ressourceneffizienz erhöht werden. Das Vorhaben wird den Einsatz der genannten Techniken eruieren und entsprechende Ansätze zur Steigerung der Effizienz vorschlagen.

Bild: Hochschule Bremen

Hintergrund:

Bei der Kreislaufwirtschaft geht es darum, Produkte und Rohstoffe möglichst lange zu nutzen. Wenn das nicht mehr möglich ist, werden Rohstoffe in ihre Ausgangsstoffe zerlegt und wiederverwertet. Eine automatisierte Trennung dieser Stoffe ist besonders effizient und damit umweltschonend. Allerdings ist diese Trennung derzeit nur bei kleinstückigen oder bereits geschredderten Abfällen, sogenannten Flakes, möglich. Abfälle die großstückig sind, wie etwa Bauschutt oder Sperrabfall, müssen für die automatisierte Sortierung zunächst zerkleinert werden. Dies erfolgt meist manuell oder mit manuell bedienter Technik und ist daher langsam und kostenintensiv. Entsprechend gering ist die Recyclingquote, sodass viele wertvolle Rohstoffe zusammen mit Restabfällen entsorgt oder bestenfalls geringwertig verwertet werden. Aus gut erhaltenen Ziegelsteinen wird dann Schotter.

Thematik: Technologie
Hochschule Bremen

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige